利用光学相干层析成像技术开发微米级分辨率的体内功能成像技术

研究人员和医生依靠功能成像来更好地了解肿瘤和人体内的其他结构。然而，捕捉深层结构的成像技术分辨率较差，而那些提供高分辨率的成像技术深度有限。例如，正电子发射断层扫描(PET)可以揭示组织深处的细节，但空间分辨率较差，PET扫描的每个体素代表数千甚至数百万个细胞。相比之下，光学显微镜可以提供亚细胞空间分辨率，但通常仅限于几十微米的深度。

光学相干层析成像(OCT)通过提供一到两毫米深度的微米级空间分辨率，有助于弥合低分辨率/高穿透和高分辨率/低穿透技术之间的差距。传统OCT只提供结构信息;它缺乏必要的对比来提供功能或分子信息。

我们在斯坦福大学的研究小组通过开发MOZART(在细胞分辨率下非侵入性组织的分子成像和表征)来解决这一缺陷，这种方法使用大金纳米棒(LGNRs)来提高OCT图像的对比度在活的有机体内(图1)。

利用MATLAB开发的光谱处理算法^®，我们分析了这些lgnr对肿瘤组织中直径小至20 μm和深至750 μm血管的无创成像的后向散射。MOZART中的MATLAB算法可以自适应地校正每张图像中与弥散和深度相关的像差，使我们能够识别单个毛细血管以及控制淋巴管网络中流体流动的阀门的位置和功能状态。这些信息可以帮助科学家发现和开发某些癌症和失明的治疗方法。

我们可以用Python来开发算法^®或其他脚本语言，但我们选择了MATLAB，因为我们需要的所有函数和功能——基本矩阵运算、图像处理、信号处理等等——都是现成的。此外，MATLAB包括方便的调试功能，允许更深入地探索我们的分析算法。

我们的MATLAB代码是可用的下载．

建立实验并收集数据

我们在两种实验中展示了MOZART的能力，其中我们对活老鼠的耳朵进行了成像。在第一种实验中，我们静脉注射LGNRs，并在注射前后对肿瘤和健康组织的血管进行成像。在健康受试者中，LGNRs循环直到被肝脏和脾脏处理。在有肿瘤的受试者中，由于增强的渗透性和潴留(EPR)效应，LGNRs倾向于在肿瘤中积聚。

对于第二种类型的实验，我们在皮下(皮下)注射LGNRs，并成像它们在淋巴管中的清除情况。为了研究淋巴阀的性能，我们连续注射了两种不同类型的lgnr，然后在它们通过淋巴系统时跟踪每种类型。我们能够区分这两种类型的lgnr，因为它们不同的散射光谱和我们的光谱算法能够区分它们。

在这两种类型的实验中，我们都使用了宽超发光二极管(SLD)来照亮组织，并使用光谱仪来测量来自组织和lgnr的后向散射光，大约为100 nm × 30 nm。光谱仪记录干涉图，捕捉样品中每个点的近红外散射光谱。

开发光谱处理算法

一旦我们获取了原始干涉图数据在活的有机体内OCT扫描，我们开发了自动数据处理的算法。算法从记录的干涉图中重建传统OCT图像(如图1所示)。他们应用离散傅里叶变换，用矩阵乘法实现，来映射样本。散射,其中包括样本中的lgnr和有机组织。

接下来，我们利用LGNRs独特的散射光谱将LGNRs与周围组织区分开来。我们更新了算法，应用Hann滤波器将记录的频谱分为两个波段(图3)。

在从这两个波段重建图像并应用图像处理工具箱™的中值滤波器来降低噪声后，算法通过执行简单的减法来比较两个图像。当没有lgnr存在时，从两个波段重建的图像几乎完全相同，并且这个减法的结果接近于零。然而，当LGNRs存在时，由于LGNRs不同的光谱散射特性，两幅图像有显著差异。

我们发现，通过这种简单的减法来评估图像之间差异的能力受到了两种物理现象的阻碍。首先是光学色散，这可能是由OCT系统中的光学元件和样品本身引起的。为了补偿色散，我们添加了一个迭代的MATLAB算法，为我们分析的每个样本优化两个重建图像之间的对齐。

我们发现的第二个问题是由于重建差分图像中依赖深度的光谱伪影。这些伪影主要是由光学装置引入的色差引起的。为了纠正这个问题，我们添加了一个算法，测量图像光谱中性区域的颜色梯度，并通过使用MATLAB polyfit函数将梯度拟合为多项式来计算深度相关的增益。该方法自适应校准每个图像的深度依赖谱移。

在应用色散补偿和深度校正后，lgnr显示得更清晰，因为它们明显且持续地产生比周围组织更高的光谱信号。

意想不到的结果和下一代算法

我们的MATLAB算法生成的图像非常清晰，它们揭示了许多细节，这些细节是我们在开始研究时没有完全预料到的。例如，我们发现了LGNRs从血管转移到淋巴管的实例。在健康的受试者中，这种运动是出乎意料的，但这种效果可能是由于血管多孔或免疫反应。我们还惊讶地发现，我们能如此清晰地看到淋巴管，包括控制健康受试者单向淋巴流动的瓣膜。据我们所知，直到现在，研究人员还无法以这种方式可视化淋巴管及其功能。

我们目前正在改进我们的算法，以支持将lgnr包裹在抗体或多肽上的研究，以便它们靶向肿瘤中的金宝app特定蛋白质。在我们目前的研究中，lgnr在流经血液和淋巴管时处于运动状态。这种流动使得我们的算法很容易平均掉噪声。然而，在使用靶向的研究中，lgnr将仍然局限在肿瘤中，使噪声成为一个更重要的问题。我们已经开始在MATLAB中改进下一代算法的降噪能力，以便更好地可视化静态lgnr，为未来的分子靶向研究做准备。

确认

我们感谢我们的同事德巴什·森博士的工作和他对这项研究的贡献。